Ce que mes apps de fitness ne me disaient pas (et comment l'IA a comblé le manque)

Le problème : des chiffres sans histoire

Penchons-nous sur un truc qui m'énerve depuis un moment. Mes outils de suivi sportif sont excellents pour compter. Kilomètres parcourus, fréquence cardiaque, calories brûlées, durée des séances. Du beau data mining en perspective.

Sauf que tous ces chiffres me racontent une vérité incomplète.

Mon GPS me dit que j'ai couru 15 km la semaine dernière. Il ne me dit pas que c'était ma dernière sortie avant un semi-marathon. Il ne sait pas que ce 15 km était la conclusion d'un cycle de progressivité que mon coach avait schématisé sur le tableau blanc de la salle. Ce tableau que je n'ai jamais pensé à photographier avant... récemment.

Cette histoire de tableau blanc, c'est le point de départ d'un mini-projet perso qui montre bien pourquoi les coding agents IA deviennent irremplaçables dès qu'on veut automatiser des choses qui nous concernent vraiment.

Quand la données se heurte au réel

Concrètement, j'utilise Samsung Fit 3 pour les séances en salle et Strava pour la course à pied. L'écosystème tourne bien. Le tracker sync avec Strava, j'ai toutes les métadonnées habituelles : durée, distance, dénivelé, zones cardiaques, horodatages.

Mais ce que Strava ne saura jamais : est-ce que cette séance "musculation" était un jour force orienté compound lifts, ou une journée mobilité axée récupération ? Le service sait que j'ai fait quelque chose pendant 45 minutes. Il n'a aucune idée que je galérais sur une progression goblet squat à 24 kg pendant que mon coach dessinait la structure de la séance sur un tableau.

Le contexte, il était uniquement dans les photos. Le tableau blanc de la salle documentait la vraie structure : mouvements, séries, répétitions, zones ciblées, et cette distinction cruciale entre les jours de récup et les blocs intensifs.

Strava capturait la quantité. Les photos contaient la qualité.

Ma solution : un pipeline qui fait parler les données

L'astuce n'était pas un outil miracle, mais une architecture où chaque système fait ce qu'il sait faire de mieux.

Récupérer → Traiter → Extraire → Visualiser

Étape 1 : La collecte

Un script Python tout simple qui tire toutes mes activités Strava avec leurs photos jointes. Le script maintient un cache local. Avantage : il peut sauter ce qui est déjà téléchargé et reprendre en cas d'interruption.

Étape 2 : L'extraction par vision

Là ça devient intéressant. J'ai utilisé Claude Code comme coding agent avec des capacités visuelles. Pour chaque photo de tableau blanc de salle, le agent génère une description JSON structurée du workout :

{
  "type": "workout",
  "exercises": [
    {
      "name": "Romanian deadlift",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["posterior chain", "glutes"]
    }
  ],
  "focus": "strength",
  "notes": "Felt strong today, increased weight from last week"
}

L'approche agent-in-the-loop fonctionne super bien. Si le résultat paraît foireux, je supprime le JSON et je relance. Si l'image est déjà traitée, le script la zappe. Le workflow est résumable, corrigeable, et itératif.

Étape 3 : Le rendu

Une fois les données structurées combinées aux métriques Strava, générer l'infographie finale devient un jeu d'enfant. Un template HTML basique rassemble tout en une image partageable.

Pourquoi la classification était plus simple que prévu

Mes tags d'activité Strava ne sont pas exactement cohérents. Certaines séances forçaient marquées "poids libres", d'autres "entraînement". Les jours mobilité apparaissaient parfois comme des activités génériques. Le bazar était 100% ma faute — trois ans de tagging informel sans système.

Plutôt que de construire un modèle de classification sophistiqué (complètement overkilled pour un projet perso), j'ai mixé : le type d'activité Strava, les mots-clés du titre, et les données extraites des photos.

Le raisonnement ressemblait à ça :

• Mots-clés "squat", "deadlift", "développé" + photo orientée force = séance muscu
• "Mobilité", "étirements", "récup" + photo flexibilité = session mobilité
• Distance + durée + pas de photo salle = course (Strava gère bien les métadonnées跑步)

Cette classification hybride faisait largement l'affaire pour un récapitulatif perso. Le poster final sonnait juste parce qu'il exploita ce que chaque source de données savait bien faire.

Le sujet MCP

J'ai brièvement testé le serveur MCP de Strava, qui promettait de simplifier l'intégration API. Ça marchait nickel pour récupérer les métadonnées d'activité, mais impossible de récupérer les photos jointes. Pour un projet qui ne requiert que des chiffres, MCP accélérerait le dev considérablement. Pour mon cas, le script manuel restait optimal since photo access was non-négociable.

Ce que ça révèle sur les coding agents IA

La vraie valeur de ce projet n'était pas l'infographie elle-même — c'était démontrer comment les agents IA peuvent servir de middleware flexible entre sources de données et outputs souhaités.

Les outils d'autatisation traditionnels suivent une logique rigide : si ceci, alors cela. Les coding agents, eux, peuvent raisonner à travers les modalités. Ils peuvent regarder une image, comprendre son contexte, et générer des données structurées. Ils s'adaptent quand des cas limites émergent. Ils peuvent t'aider à construire l'automatisation elle-même plutôt que de bosser dans ses limites.

Pour les développeurs et entrepreneurs tech, c'est un shift fondamental. La question n'est plus "Est-ce que je peux automatiser ça ?" mais "À quelle vitesse puis-je itérer sur l'automatisation ?" Un projet qui aurait demandé un week-end dédié peut maintenant être prototypé en une après-midi, avec le agent qui gère le boilerplate et t'aide à penser les cas limites.

Le mot de la fin

Le résultat, c'était un récapitulatif d'entraînement partageable qui racontait vraiment l'histoire de ma progression sportive. Mais le process pointe vers quelque chose de plus gros : l'ère de l'empowerment data personnel.

Tes données fitness, tes projets de code, tes métriques business — la plupart vivent dans des systèmes fragmentés qui ne se parlent pas. Les coding agents IA deviennent le tissu connectif qui te permet de construire des vues custom de ta propre info, sans les ressources d'une entreprise.

Je pense explorer le run d'un modèle local next time, histoire de tout garder on-device pour la vie privée. Si tu bidouilles des projets d'automatisation perso similaires ou que tu as des workflows fitness-agent, je serais vraiment curieux d'en entendre parler.

Parfois les projets les plus satisfaisants ne sont pas ceux qui scalent — ce sont ceux qui font enfin parler tes propres données pour raconter ta propre histoire.